Ai2 veröffentlicht AstaBrief 8B als Open-Source für schnelle wissenschaftliche Berichtserstellung

Das Allen Institute for AI (Ai2) teilte am 2. Oktober 2026 mit, dass es AstaBrief 8B als Open-Source bereitstellt, ein Modell, das eine Forschungsfrage und abgerufene Literaturauszüge in einen zitierten Bericht umwandelt, und veröffentlicht die Modellgewichte sowie die Trainingsdaten, während das System im Fast‑Modus in Asta, seiner agentischen Plattform für wissenschaftliche Arbeit, live geht.

Fast‑Modus in Astas Berichtserstellung

AstaBrief ist in Astas Funktion „Bericht erstellen“ als Fast‑Modus verfügbar und läuft neben dem bestehenden, von Claude betriebenen Thinking‑Modus, laut Ai2-Ankündigung. Ai2 sagt, das Ziel sei zu prüfen, ob ein kleines, offenes Modell, das speziell für die Erstellung wissenschaftlicher Berichte trainiert wurde, die Berichtqualität der proprietären Modelle erreichen kann, die bisher verwendet wurden, und gleichzeitig die Generierungszeit und die Betriebskosten senkt. Ai2 berichtet, dass der Fast‑Modus über die gesamte Asta‑Pipeline hinweg im Schnitt 51.1 Sekunden pro Bericht benötigt, verglichen mit 178.5 Sekunden beim Thinking‑Modus, ein Unterschied, den es als etwa 3.5‑mal schneller und fast eine Größenordnung kürzere Generierungszeit im Vergleich zu den verfolgten proprietären Modellen beschreibt.

Die AstaBrief 8B Modellkarte gibt an, dass das Modell unter Apache 2.0 lizenziert ist, auf Qwen3-8B basiert und gemäß den Responsible‑Use‑Guidelines von Ai2 für Forschungs‑ und Bildungszwecke vorgesehen ist. Da die Gewichte offen sind, sagt Ai2, dass Institutionen das Modell auf ihrer eigenen Hardware ausführen können, auch hinter ihrer eigenen Firewall, was als notwendig beschrieben wird, wenn Forschungsfragen sensible oder unveröffentlichte Arbeiten berühren. Zusätzlich zu den Gewichten hat Ai2 einen Beispiel‑Workflow in seinem ai2-scholarqa-lib GitHub‑Repository veröffentlicht, den Forschende anpassen können, um Berichte aus ihren eigenen PDFs zu erstellen.

Trainingsdaten und Filterung

Ai2 begann mit Qwen3-8B und entwickelte AstaBrief durch überwachte Feinabstimmung, gefolgt von direkter Präferenzoptimierung (DPO). Die Ankündigung sagt, das Team habe ein auf Reinforcement Learning basierendes Training in Betracht gezogen, das in früheren DR‑Tulu‑Arbeiten gezeigt habe, dass es die Langform‑Berichtserstellung für Open‑Weights‑Modelle verbessern kann, sich jedoch für das einfachere Verfahren entschieden, weil RL‑Training instabil und teuer sein kann und das Team eine kostengünstigere und leichter zu debuggen sowie zu iterieren Lösung wollte.

Zur Beschleunigung wurde AstaBrief so trainiert, dass es den vollständigen Bericht in einem Durchgang aus der Nutzeranfrage und den abgerufenen Ausschnitten erstellt, wobei die Snippet‑Zusammenfassungs‑ und Clustering‑Stufen, die der Claude‑basierte Thinking‑Modus verwendet, sowie das schrittweise Schreiben von Abschnitten übersprungen werden. Ai2 sagt, dass dies möglich war, ohne die Leistung zu beeinträchtigen.

Die Training‑Pipeline begann mit echten Nutzeranfragen, die über das System hinter dem ScholarQA‑Framework von Ai2 eingereicht wurden, das die Berichtserstellung von Asta unterstützt. Das Team filterte die Protokolle nach Qualität, Relevanz und Datenschutz, entfernte Beta‑Tester‑ und Bot‑Verkehr, verwirfte Anfragen, die zu kurz waren, um sinnvoll zu sein, und nutzte einen LLM‑basierten Durchlauf, um nicht‑englische Anfragen, nicht‑wissenschaftliche Anfragen und Eingaben mit persönlichen Informationen zu erfassen. So blieb ein Pool von 90K forschungsorientierten Anfragen übrig.

Im überwachten Stadium wurden Vollbericht‑Ziele mit der mehrstufigen ScholarQA‑Pipeline erzeugt, die von einer Mischung proprietärer Systeme unterstützt wird: Claude 3.5 Sonnet, Claude 3.7 Sonnet, o3, o4‑mini und GPT‑4.1. Qualitätsfilterung ließ 47K nutzbare Beispiele übrig. Für DPO stammten Paare aus einem separaten Unterset von Anfragen, das bei der SFT‑Datengenerierung nicht verwendet wurde: ein Bericht aus der ScholarQA‑Pipeline, typischerweise unterstützt von Claude 3.5 oder 3.7 Sonnet, gegenüber einem Bericht, der von o3, o4‑mini, DeepSeek‑V3 oder DeepSeek‑R1 erzeugt wurde. Zwei Bewertungsmodelle, GPT‑4.1 und DeepSeek‑R1, wählten für jedes Paar einen Sieger. Ai2 sagt, dass die Bewerter 95 Prozent der Zeit mit menschlichen Präferenzen übereinstimmten, und nur Paare, bei denen beide Bewerter übereinstimmten, wurden behalten, was etwa 6K Endbeispiele ergab. Laut Modellkarte wurde das veröffentlichte Modell aus dem AstaBrief‑8B‑SFT‑Checkpoint initialisiert und auf dem AstaBrief_DPO_Mix Datensatz, wobei das DPO‑Training im open‑instruct‑Framework von Ai2 auf 8×H100‑GPUs durchgeführt wurde.

Ergebnisse der Evaluierung

Das Hauptentwicklungsziel von Ai2 war SQABench‑CS2, das in der Ankündigung als ein Satz von 200 von Nutzern verfassten Forschungsfragen aus dem Bereich Informatik beschrieben wird. Das Team verfolgte vier Metriken: Rubrik‑Score, der misst, wie viel notwendiger Inhalt ein Bericht abdeckt; Antwort‑Präzision, die bewertet, ob jeder Absatz zur Frage passt; Zitations‑Präzision, die prüft, ob jede Zitation die zugehörige Behauptung unterstützt; und Zitations‑Recall, der misst, ob die Behauptungen eines Berichts vollständig durch die angegebenen Zitationen belegt sind. Sekundäre Bewertungen nutzten DeepScholarBench, einen Benchmark mit 63 Anfragen für die Synthese von Langform‑Forschung, aufgebaut aus aktuellen arXiv‑Papieren, sowie paarweise Vergleiche mit Berichten aus der Claude‑basierten Pipeline.

Die Ankündigung berichtet, dass das Team vier statistikbasierte Filter an synthetischen Trainingsberichten getestet hat: Token‑Verhältnis Ausgabe‑zu‑Eingabe, Zitationsrelevanz, Zitationsdichte und Zitationsvielfalt. Ai2 sagt, die größten Verbesserungen kamen durch das Herausfiltern von Berichten mit niedriger Zitationsdichte, während aggressiveres Filtern, Kombinationen von Filtern und Lernraten‑Durchläufe keinen nennenswerten Nutzen brachten. Es beschreibt die weitergehende Erkenntnis als Hinweis darauf, dass wissenschaftliche Spezialisierung nicht unbedingt bedeutet, dem Vortraining mehr wissenschaftlichen Text hinzuzufügen, und dass die Zusammensetzung und Qualität der Daten nach dem Training die Leistungsfähigkeit des resultierenden Modells wesentlich beeinflussen können.

Ai2 sagt, dass frühe SFT-Checkpoints die Gesamtqualität des Inhalts verbesserten, aber immer noch hinter der von Claude betriebenen Pipeline in Bezug auf Antwortpräzision und Zitationsqualität zurückblieben, und dass die DPO-Phase AstaBrief in den Bereich der Claude-Pipeline und DR Tulu bei der Berichtserstellung brachte. Die Model-Card berichtet, dass AstaBrief-8B im ScholarQA‑CS2‑Testset im Durchschnitt 87 über die verfolgten Metriken erreichte, verglichen mit 83,7 für den SFT‑Checkpoint und 77,3 für das Basismodell Qwen3‑8B, wobei AstaBrief‑8B 90,2 beim Abruf von Inhaltsstoffen, 89 bei Antwortpräzision, 90,5 bei Zitationspräzision und 78,2 bei Zitationsabruf erzielte. Die Karte berichtet außerdem, dass LLM‑bewertete Gewinnraten für AstaBrief‑8B gegenüber der Asta ScholarQA‑Pipeline 55 % im Entwicklungssplit und 72 % im Testsplit betragen und listet DeepScholarBench‑Scores von 53,50 für AstaBrief‑8B, 60,25 für Asta ScholarQA und 56,26 für DR‑Tulu‑8B auf.

In einer separaten Human‑Study, die in der Ankündigung beschrieben wird, stellten drei Wissenschaftler jeweils vier bis fünf Fragen aus einem 14‑Fragen‑Set und bewerteten Berichte der drei Systeme hinsichtlich Gesamteindruck, Vollständigkeit, Relevanz, Organisation und Zitationsgenauigkeit, wobei Gleichstände zulässig waren. Ai2 berichtet, dass DR Tulu beim Gesamteindruck gewann, während zwei der drei Forscher AstaBrief gegenüber den anderen Systemen in Bezug auf Zitationsgenauigkeit bevorzugten.

Ai2 warnt, dass der Großteil des Trainings und der Bewertung im Jahr 2025 abgeschlossen wurde, dass die proprietären Modelle, die zur Generierung der Trainingsdaten und als Vergleichspunkte verwendet wurden, den Stand der Technik zu diesem Zeitpunkt widerspiegeln, und dass es die vollständige Bewertung nicht erneut gegen aktuelle Spitzenmodelle durchgeführt hat.

Erste Nutzung und angekündigte nächste Schritte

Ai2 berichtet, dass von 374 Asta‑Nutzern, die den Fast‑Modus ausprobiert haben, 29,1 % ihn an zwei oder mehr Tagen nutzten, die Nutzer im Durchschnitt 3,67 Bericht‑Threads erzeugten, 23 % nie wieder in den Thinking‑Modus für zukünftige Threads wechselten und weitere 18 % je nach Ziel zwischen den Modi wechselten, wobei sie den Fast‑Modus für etwa 40 % ihrer Threads verwendeten. Positives Feedback lag bei 84,2 % für den Fast‑Modus gegenüber 85,2 % für den Thinking‑Modus, was Ai2 als ähnliche Rate charakterisiert, während gleichzeitig angemerkt wird, dass das Feedback im Allgemeinen zu spärlich sei, um starke Schlussfolgerungen zu stützen.

Ai2 sagt, dass es feinere Präferenz‑Lernverfahren, stärkere RAG‑plus‑RL‑Ansätze, Multi‑Turn‑ und Multi‑Tool‑Fähigkeiten, zusätzliche wissenschaftliche Datenquellen und die Zerlegung von Anfragen erforscht, zusammen mit Bewertungen, die testen, ob ein Modell den Beweisumfang seiner Quellen bewahrt, anstatt das zu erweitern, was die zugrunde liegenden Studien etabliert haben. Die Ankündigung ordnet die Arbeit in Ai2s breitere wissenschaftliche Modell‑Initiativen ein, einschließlich NSF OMAI, einer US‑nationalen Initiative, die von Ai2 geleitet wird, um vollständig offene KI‑Infrastruktur und Modelle für wissenschaftliche Entdeckungen zu bauen, und beschreibt AstaBrief als ein Experiment in einer längeren Reihe von Arbeiten, die von ScholarQA und DR Tulu bis zu zukünftigen Versionen von Olmo reichen.